Skip to content

Laboratorio informatico per le decisioni aziendali:

Appunti relativi al corso informatico per le decisioni aziendali. La business intelligence si avvale della statistica e dei supporti informatici per essere efficiente e competitiva: vengono esplicitate modalità, modelli di riferimento e processi di individuazione, analisi e interpretazione dei dati.

Indice dei contenuti:

1. Definizione di business intelligence 2. Il contesto della business intelligence 3. Natura della business intelligence 4. Approccio multidimensionale della business intelligence 5. Esempi di decisioni efficaci e tempestive in ambito di business intelligence 6. Differenza tra concetti di: dati, informazioni e conoscenza - esempi 7. Ruolo dei modelli matematici nella gestione organizzativa 8. Definizione di modello nel contesto di gestione organizzativa 9. Architettura del sistema di business intelligence 10. Componenti del sistema di business intelligence 11. Problemi tipici della ricerca operativa 12. Ciclo di business intelligence 13. Ciclo di business intelligence 14. Realizzazione del sistema di business intelligence 15. Metodologie di analisi tipiche di un sistema di BI 16. Definizione di data warehousing 17. Definizione di sistemi OLTP E OLAP 18. Definizione di data wareahouse 19. Definizione di strumenti ETL 20. Definizione di deposito di metadati 21. Accesso al data warehouse – operazioni di front-end 22. Definizione e caratteristiche di analisi multidimensionale 23. Il modello multidimensionale in sintesi 24. Esempi di analisi secondo il modello multidimendsionale 25. Definizione di analisi multidimensionale OLAP 26. Definizione di cubi OLAP 27. Contenuto informativo di un ipercubo 28. Gerarchie di concetti e operazioni OLAP 29. Fondamenti di data mining: definizione 30. Modelli matematici di apprendimento 31. Prospettiva classica nella definizione di regole nel data mining 32. Prospettiva probabilistica nella definizione di regole nel data mining 33. Prospettiva casistica nella definizione di regole nel data mining 34. Esempi di diverse prospettive nel data mining 35. Confronto con statistica classica e OLAP 36. Rappresentazioni dei dati in ingresso nelle analisi di data mining 37. I processi di data mining 38. Standardizzazione del processo di data mining 39. Competenze implicate nel processo di data mining 40. Metodologie di analisi: apprendimento supervisionato 41. Esempio 1 – apprendimento supervisionato 42. Esempio 2 – Apprendimento non supervisionato clustering 43. Quanto il data mining è adatto a risolvere un problema 44. Tecniche di data mining – introduzione 45. Tecniche di data mining – classificazione 46. Tecniche di data mining – stima 47. Tecniche di data mining – previsione 48. Definizione di clusterizzazione non supervisionata 49. Regole associative - market basket analysis 50. Punti fondamentali dell'attività di data mining 51. Tecniche di data mining – parte avanzata 52. Definizione di alberi decisionali 53. Esempio di albero decisionale 54. Criteri per la costruzione degli alberi decisionali - controllo della crescita 55. Scelta dei nodi: entropia e guadagno di informazione 56. Indice di Gini e indice di misclassificazione 57. Algoritmi per gli alberi decisionali 58. Vantaggi e svantaggi degli alberi decisionali 59. Reti neurali artificiali - introduzione 60. Reti neurali – formato di input 61. Reti neurali – formato di output 62. Reti neurali – funzione di attivazione 63. Reti neurali artificiali: vantaggi e svantaggi 64. Introduzione ai criteri di valutazione di una classificazione 65. Definizione di matrice di confusione 66. Definizione di lift 67. Introduzione alle regole associative 68. Esempio applicativo di regole associative 69. Clusterizzazione non supervisionata - Introduzione algoritmo della k – medie 70. Esempio applicativo di clusterizzazione non supervisionata 71. Considerazioni generali sul metodo delle k-medie 72. Introduzione ai metodi di preparazione dei dati per le business analysis 73. Qualità dei dati in ingresso: dati incompleti 74. Qualità dei dati in ingresso: dati soggetti a rumore 75. Qualità dei dati in ingresso: dati inconsistenti 76. Trasformazione dei dati in ingresso 77. Criteri per stabilire l’opportunità di una tecnica di riduzione dei dati 78. Logiche di riduzione dei dati all'ingresso 79. Introduzione all'esplorazione dei dati oggetto di un'analisi di business 80. Utilità dell’approccio esplorativo: l'analisi univariata 81. Caratteristiche dell'analisi bivariata 82. I momenti di un’indagine statistica 83. Modalità informatica di archiviazione dei dati 84. Comandi rapidi della tastiera del computer 85. Modalità di creazione serie-seriazione statistica 86. Formule per calcolare la regressione 87. Serie temporali 88. Analisi: vari modelli 89. Stima e utilizzo delle differenze-coefficiente di stagionalità

 

Dettagli dei contenuti:

Per approfondire questo argomento:

Valuta questo appunto:

Puoi scaricare gratuitamente questo appunto in versione integrale.